基于TROPOMI数据与MAPST-Net模型对2019年至2024年中国地区每日地表NO2浓度的时空估算
《Atmospheric Environment》:Spatiotemporal estimation of daily surface NO2 concentrations over China from 2019 to 2024 based on TROPOMI data and MAPST-Net model
【字体:
大
中
小
】
时间:2026年07月06日
来源:Atmospheric Environment 3.8
编辑推荐:
曾巧琳|臧辉|范蒙|陈良福|朱松岩 中国重庆空间大数据智能技术工程研究中心,重庆400065
摘要:二氧化氮是一种主要的大气污染物,对人类健康和环境构成严重威胁。大气中二氧化氮的浓度既受人为排放影响,也受自然过程影响,这体现了人类活动与大气动力学的共同作用。监测站能够提供准确的
曾巧琳|臧辉|范蒙|陈良福|朱松岩 中国重庆空间大数据智能技术工程研究中心,重庆400065
摘要:二氧化氮是一种主要的大气污染物,对人类健康和环境构成严重威胁。大气中二氧化氮的浓度既受人为排放影响,也受自然过程影响,这体现了人类活动与大气动力学的共同作用。监测站能够提供准确的时间序列数据,但其空间覆盖范围有限。再加上二氧化氮在大气中的寿命较短,这一限制使得难以全面了解其时空分布情况。卫星遥感技术可以提供大范围的对流层二氧化氮垂直柱密度数据,但仍需要有效的模型将这些观测值转换为地面浓度值。本研究提出了多注意力并行时空网络(MAPST-Net),该网络由三个模块组成:空间信息编码器、时间信息编码器和特征解码器。空间信息编码器用于提取和优化多尺度空间特征,它整合了多级信息聚合模块、全局融合坐标注意力机制以及通道级自注意力机制。时间信息编码器则结合了差分注意力机制与序列-通道注意力机制,以减少信息冗余并提升对时间动态的捕捉能力。最后,特征解码器通过多层感知器将时空特征相结合,从而估算出二氧化氮浓度。该模型表现良好,基于样本的交叉验证中R2值为0.799,均方根误差为5.722微克/立方米。据此,研究人员生成了2019年至2024年的全国地面二氧化氮浓度数据集,空间分辨率为0.05度。该数据集为精准估算二氧化氮浓度、分析其时空分布规律以及制定空气质量管理策略提供了技术支撑和高质量数据。
引言:二氧化氮是主要的大气污染物之一,会严重影响空气质量,并对公众健康构成重大风险。长期暴露在二氧化氮环境中会导致多种健康问题,包括心血管功能受损、呼吸系统功能障碍以及肺癌风险增加(Chen等人,2007;Collart等人,2018;Eum等人,2019;He等人,2020)。此外,持续暴露在高浓度的二氧化氮环境中还会增加早死风险(Khomenko等人,2021)。二氧化氮与挥发性有机化合物发生光化学反应后,还会生成过氧乙酰硝酸酯、硝酸和臭氧等二次污染物。这些二次污染物分别会引发光化学烟雾、酸沉降以及加剧温室效应(V?rghileanu等人,2020)。大气中的二氧化氮来源既有自然因素,也有人为因素(Russell等人,2012)。自然来源主要包括火山活动、土壤排放和闪电。人为排放则主要来自化石燃料的燃烧,比如发电厂燃烧、工业排放以及交通排放(Bhanarkar等人,2005;Keuken等人,2009)。近几十年来,中国工业化进程加快,化石燃料消耗量大幅增加,这就导致了大量的人为二氧化氮排放,形成了明显的区域污染格局,尤其是在快速发展的东部工业地区(Cui等人,2021)。因此,准确估算中国各地的地面二氧化氮浓度并分析其时空变化规律具有重要意义,这有助于确定污染源、评估相关健康风险,进而为制定有效的空气质量管理政策提供依据。
为应对空气污染问题,中国出台了多项法规,并建立了1000多个空气质量监测站(Silver等人,2018)。虽然地面监测系统能够提供可靠的二氧化氮浓度时间序列数据,但其在描述空间分布方面的能力却较为有限。尤其是中国农村和偏远地区的监测站分布稀少,这不利于准确判断二氧化氮的空间变化情况(Chi等人,2021;Xu等人,2019)。另外,由于二氧化氮排放源的寿命较短且分布较为集中,地面二氧化氮浓度还会出现动态的空间变化(Lamsal等人,2010;Liu等人,2016)。因此,监测站难以全面掌握地面二氧化氮浓度的空间分布特征。而卫星遥感技术则能够实现大范围、连续的对流层二氧化氮垂直柱密度监测,有效弥补了地面监测网络在空间覆盖方面的不足(Jamali等人,2020;Martin,2008)。目前,已有多种卫星仪器具备较强的对流层二氧化氮垂直柱密度监测能力,比如全球臭氧监测实验系列仪器(Burrows等人,1999;Richter和Burrows,2002;Richter等人,2011)、臭氧监测仪器(OMI)(Lamsal等人,2021)以及对流层监测仪器(TROPOMI)(Van Geffen等人,2020)。众多研究也表明,通过卫星获取的对流层二氧化氮垂直柱密度数据与地面测量数据之间存在显著相关性,这一关系为利用卫星数据估算地面二氧化氮浓度提供了有力依据(Chan等人,2020;Wang等人,2017)。
估算地面二氧化氮浓度的方法大致可分为三类。第一类是化学传输模型,比如GEOS-Chem(Geddes等人,2016)和CMAQ(Gu等人,2017)。这类模型在模拟二氧化氮浓度时往往存在系统性偏差,如果没有地面实测数据的约束或校准,就很容易出现过高或过低的估算结果。第二类是经验统计模型,包括多元回归模型(MR)(Kim等人,2017)、土地利用回归模型(LUR)(Bechle等人,2015;Johnson等人,2010)以及地理和时间加权回归模型(GTWR)(Qin等人,2017)。不过,传统的经验统计模型往往存在多重共线性问题,这使得它们难以准确捕捉地面二氧化氮浓度与相关气象或环境变量之间的复杂非线性及高阶相互作用(Liu和Chen,2022)。第三类则是人工智能模型,包括机器学习模型和深度学习模型。诸如LightGBM(Zhu等人,2024)、随机森林(RF)(Dou等人,2021)以及XGBoost(Chi等人,2022;Wei等人,2025)之类的机器学习算法,在估算大气污染物浓度方面表现良好。集成学习方法在这一领域也取得了不错的成果(Huang等人,2022;Wang等人,2025)。尽管这些方法能够较好地捕捉变量之间的复杂非线性关系,但它们无法考虑地面二氧化氮浓度变化及其潜在预测因子的时空关联性,这也限制了这些模型的准确性和稳定性(Mao等人,2021)。为进一步提升地面二氧化氮浓度估算的准确性,一些研究将时空信息引入机器学习框架,以便更好地捕捉二氧化氮的时空分布规律。例如,Zhan等人(2018)提出了混合随机森林与时空克里金模型(RF-STK),证明了将机器学习与地理统计方法相结合用于时空估算的可行性。然而,这类方法如果仅依赖简化的时空变量或固定权重,在地形差异较大的区域往往会产生较大的不确定性(Z. Wang等人,2022)。为克服这些局限,一些研究开始探索深度学习模型的应用,常见的模型包括全残差深度网络(Li和Wu,2021)、全连接层-自编码器-残差网络-卷积层结构(Liu等人,2022)、部分卷积神经网络-深度神经网络组合(Ghahremanloo等人,2023)以及U-Net结构(Salman等人,2024)。
卷积神经网络最初是作为计算机视觉任务中的特征提取架构而开发的,ResNet(He等人,2016)就是典型的代表。这类网络通过多尺度卷积核和自适应通道配置,能够有效捕捉中心像素与其周围像素之间的空间相关特征,从而实现分层特征表示。Zhang等人(2022)利用ResNet架构成功实现了对中国北方地区二氧化氮浓度的高精度、全覆盖估算。不过,基于CNN的方法主要侧重于提取污染物的空间特征,对于浓度变化的时间依赖性捕捉能力较弱。为解决这一问题,一些研究开始探索使用序列模型来估算污染物浓度。例如,Zeng等人(2024b)利用Transformer网络架构成功估算出了2021年至2022年中国多种污染物的浓度。但这类模型通常将监测数据视为独立序列,忽略了污染物扩散过程中存在的空间相关性。通过对比分析可以看出,CNN凭借其局部感受野和权重共享机制,能够有效提取污染物的空间分布特征;而基于自注意力机制的序列模型(如Transformer)则可以通过动态权重分配来捕捉长期依赖关系,这类模型更擅长模拟污染物浓度的周期性变化(Zeng等人,2024a)。由于这两种架构的能力存在差异,要在单一模型中同时捕捉时空依赖关系面临一定挑战。CNN对由气象条件引发的序列变化敏感度较低,而Transformer架构则可能因为忽视地理空间约束而在估算结果中出现空间上的不连续性。因此,将两种方法的优点结合起来,用于处理污染物浓度估算中的耦合时空依赖关系,是未来研究的一个可行方向。
为解决上述问题,研究人员开发了多注意力并行时空网络(MAPST-Net),用于估算中国各地的日平均地面二氧化氮浓度。该模型主要由三个部分组成。首先,空间信息编码器采用了多模块协同工作机制:基于inception残差网络的多级信息聚合模块用于提取多尺度空间特征,全局融合坐标注意力模块则用于增强空间位置感知能力,此外还有通道级自注意力模块用于动态调整特征通道。其次,时间信息编码器是在Transformer架构基础上进行改进而来的,它引入了差分注意力机制来抑制冗余信息带来的干扰,同时还配备了集成序列-通道注意力模块,使模型能够同时考虑时间依赖性和通道特征的重要性。最后,特征解码器通过多层感知器将时空特征相结合,进而对二氧化氮浓度进行回归估算。这种设计使得MAPST-Net能够将坐标注意力与通道注意力的协同机制与改进后的差分时间Transformer架构相结合,从而形成一种用于污染物估算的新型时空模型。基于经过验证的MAPST-Net,研究人员生成了2019年至2024年的全国地面二氧化氮浓度数据集,空间分辨率为0.05度,该数据集随后被用于分析中国二氧化氮污染的时空演变规律。
研究区域:本研究主要聚焦于中国内地。过去几十年里,快速的工业化进程、高强度的能源消耗以及交通业的快速发展,导致了中国大量的人为二氧化氮排放。近年来,随着污染控制政策的实施以及清洁能源的推广,二氧化氮浓度有所下降,但由于大气污染物的累积效应和传输效应,区域污染问题依然较为严重。此外,监测站的分布密度也较为有限……
方法论:本节介绍了所提出框架的具体方法与流程。如图S2所示,整个研究过程分为三个主要部分:一是数据样本的预处理与时空对齐,二是MAPST模型的训练与评估,三是全国二氧化氮浓度的估算与时空分析。
MAPST-net模型性能:图4展示了MAPST-Net模型10折交叉验证的结果。在基于样本的交叉验证中,该模型的R2值为0.799,平均绝对误差为3.851微克/立方米,均方根误差为5.722微克/立方米。而基于监测站点和基于时间的交叉验证得到的R2值分别为0.761(6.239微克/立方米)和0.615(7.919微克/立方米),这两种验证方式的准确率都低于基于样本的交叉验证结果,尤其是基于时间的交叉验证。这种现象主要是因为数据驱动型模型的泛化能力有限所致。
输入变量评估:如图S10所示,对流层二氧化氮垂直柱密度与地面二氧化氮浓度之间存在中等程度的正相关关系,皮尔逊相关系数为0.55,这是所有被纳入分析的变量中最高的数值,这说明通过卫星获取的对流层二氧化氮垂直柱密度数据能够较好地反映地面二氧化氮浓度的空间分布情况。具体而言,将対流层二氧化氮垂直柱密度作为输入变量纳入模型后,估算精度得到了提升。
结论:本研究提出了MAPST-Net模型,该模型通过整合双重空间和时间编码器,能够重构中国各地的地面二氧化氮浓度分布。空间编码器通过多级信息聚合模块以及坐标注意力与通道注意力机制,有效捕捉了二氧化氮分布的空间特征。时间编码器则通过结合差分注意力机制与序列-通道注意力模块,提升了模型对时间依赖性的建模能力。通过将这两部分功能相结合……
CRediT作者贡献说明:曾巧琳:概念构思、资金获取、方法设计、研究指导、论文撰写与修改。臧辉:数据整理、资金获取、方法设计、软件应用、论文初稿撰写及修改。范蒙:研究指导。陈良福:研究指导。朱松岩:监督。利益冲突声明 作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢 本研究得到了重庆市教育委员会科技研究计划的支持,项目编号为KJQN202300620;同时得到了中国国家重点研发计划的资助,项目编号为2023YFC3705801;此外还获得了重庆市研究生创新科研项目的支持,项目编号为CYS25479。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号